🚵🏽 ☝🏾 👩🏻‍🔬 Bagaimana Menjadi Ilmuwan Data dan Analis Data yang Berhasil 👌🏽 🏷️ 💻

Ada banyak artikel tentang keterampilan yang dibutuhkan untuk menjadi ilmuwan data atau analis data yang baik, tetapi hanya sedikit artikel yang membahas keterampilan yang dibutuhkan untuk berhasil - baik itu penilaian kinerja yang luar biasa, pujian eksekutif, promosi, atau semua hal di atas. Hari ini kami persembahkan untuk Anda materi, yang penulisnya ingin berbagi pengalaman pribadinya sebagai data scientist dan data analyst, serta apa yang dia pelajari untuk meraih kesuksesan.

Saya beruntung: Saya ditawari posisi Ilmu Data ketika saya tidak memiliki pengalaman dalam Ilmu Data. Bagaimana saya menangani tugas ini adalah cerita yang berbeda, dan saya ingin mengatakan bahwa saya hanya memiliki gagasan yang tidak jelas tentang apa yang dilakukan oleh data scientist sebelum saya mengambil pekerjaan itu.

Saya dipekerjakan untuk mengerjakan pipeline data sehubungan dengan pekerjaan saya sebelumnya sebagai insinyur data, di mana saya mengembangkan data mart analitik prediktif yang digunakan oleh sekelompok ilmuwan data.

Tahun pertama saya sebagai ilmuwan data melibatkan pembuatan pipeline data untuk melatih model pembelajaran mesin dan menerapkannya ke dalam produksi. Saya tidak menonjolkan diri dan tidak berpartisipasi dalam banyak pertemuan dengan pemangku kepentingan pemasaran yang merupakan pengguna akhir model.

Di tahun kedua saya di perusahaan, manajer pemrosesan dan analisis data yang bertanggung jawab untuk pemasaran pergi. Sejak itu, saya menjadi protagonis dan lebih aktif terlibat dalam pengembangan model dan mendiskusikan tenggat waktu proyek.

Saat saya berkomunikasi dengan para pemangku kepentingan, saya menyadari bahwa Ilmu Data adalah konsep yang tidak jelas yang pernah didengar orang, tetapi tidak begitu memahaminya, terutama jika menyangkut manajemen senior.

Saya telah membuat lebih dari seratus model, tetapi hanya sepertiganya yang digunakan karena saya tidak tahu cara menunjukkan nilainya, meskipun model itu awalnya diminta oleh pemasaran.

Salah satu anggota tim saya menghabiskan waktu berbulan-bulan mengembangkan model yang menurut manajemen senior akan menunjukkan nilai tim ilmuwan data. Idenya adalah untuk memperluas model ini ke seluruh organisasi setelah dikembangkan dan untuk mendorong tim pemasaran untuk menerapkannya.

Ini ternyata gagal total, karena tidak ada yang memahami apa itu model pembelajaran mesin, dan tidak dapat memahami nilai penerapannya. Pada akhirnya, berbulan-bulan terbuang percuma untuk apa yang tidak diinginkan siapa pun.

Dari situasi seperti itu, saya telah memetik pelajaran tertentu, yang akan saya berikan di bawah ini.

, , -

1. , .

Selama wawancara perusahaan Anda, tanyakan tentang budaya data dan berapa banyak model pembelajaran mesin yang diadopsi dan digunakan dalam pengambilan keputusan. Mintalah contoh. Cari tahu apakah infrastruktur data Anda disiapkan untuk memulai pemodelan. Jika Anda menghabiskan 90% waktu Anda untuk mencoba mengambil data mentah dan membersihkannya, Anda akan memiliki sedikit atau tidak ada waktu untuk membangun model apa pun untuk menunjukkan nilai Anda sebagai ilmuwan data. Hati-hati jika ini pertama kalinya Anda dipekerjakan sebagai Ilmuwan Data. Ini bisa baik dan buruk, tergantung pada budaya datanya. Anda mungkin menghadapi banyak hambatan saat menerapkan model jika manajemen senior mempekerjakan seorang Data Scientist hanya karena perusahaan ingin dikenal sebagaimenggunakan Ilmu Data untuk membuat keputusan yang lebih baik , tetapi tidak tahu apa artinya itu. Plus, jika Anda menemukan perusahaan berbasis data, Anda akan tumbuh bersamanya.

2. Mengetahui data dan key performance indicator (KPI).

Di awal, saya menyebutkan bahwa sebagai data engineer, saya membuat data mart analitik untuk tim data scientist. Dengan menjadi seorang data scientist, saya dapat menemukan peluang baru yang meningkatkan akurasi model, karena saya bekerja secara intensif dengan data mentah di posisi sebelumnya.

Dengan menyajikan hasil dari salah satu kampanye kami, saya dapat menunjukkan model yang menghasilkan rasio konversi yang lebih tinggi (sebagai persentase), lalu salah satu KPI diukur. Ini menunjukkan nilai model kinerja bisnis yang dapat dikaitkan dengan pemasaran.

3. Pastikan Model Diterima dengan Menunjukkan Nilainya kepada Pemangku Kepentingan

Anda tidak akan pernah berhasil sebagai ilmuwan data jika pemangku kepentingan tidak pernah menggunakan model Anda untuk membuat keputusan bisnis. Salah satu cara untuk memastikan penerimaan model adalah dengan menemukan titik kelemahan bisnis dan menunjukkan bagaimana model dapat membantu.

Setelah berbicara dengan tim penjualan kami, saya menyadari bahwa dua perwakilan bekerja penuh waktu, secara manual memindai jutaan pengguna di database perusahaan untuk mengidentifikasi pengguna lisensi tunggal yang lebih cenderung beralih ke lisensi tim. Pemilihan menggunakan serangkaian kriteria, tetapi pemilihan itu memakan waktu karena perwakilan melihat satu pengguna pada satu waktu. Dengan menggunakan model yang saya kembangkan, perwakilan dapat memilih pengguna dengan kemungkinan tertinggi untuk membeli lisensi tim dan meningkatkan kemungkinan konversi dalam waktu yang lebih singkat. Ini menghasilkan penggunaan waktu yang lebih efisien dengan meningkatkan rasio konversi untuk KPI yang mungkin relevan dengan tim penjualan.

Beberapa tahun berlalu, dan saya berulang kali mengembangkan model yang sama dan merasa bahwa saya tidak lagi mempelajari sesuatu yang baru. Saya memutuskan untuk mencari posisi lain dan akhirnya mendapatkan posisi analis data. Perbedaan tanggung jawab tidak bisa lebih signifikan dibandingkan ketika saya masih menjadi ilmuwan data, meskipun saya kembali ke pemasaran.

Ini adalah pertama kalinya saya menganalisis eksperimen A / B dan menemukan semuanyacara eksperimen bisa salah. Sebagai seorang data scientist, saya tidak mengerjakan pengujian A / B sama sekali, karena ini disediakan untuk tim eksperimental. Saya telah mengerjakan berbagai studi analitik yang telah dipengaruhi oleh pemasaran, dari meningkatkan rasio konversi premium hingga keterlibatan pengguna dan pencegahan churn. Saya belajar banyak cara berbeda untuk melihat data dan menghabiskan banyak waktu untuk mengumpulkan hasilnya, mempresentasikannya kepada pemangku kepentingan dan manajemen senior. Sebagai data scientist, saya kebanyakan mengerjakan satu jenis model dan jarang memberikan ceramah. Maju cepat beberapa tahun dan lanjutkan ke keterampilan yang telah saya pelajari untuk menjadi analis yang sukses.

Keterampilan yang Saya Pelajari untuk Menjadi Analis Data yang Berhasil

1. Belajar Menceritakan Cerita dengan Data

Jangan melihat KPI secara terpisah. Ikat mereka, lihat bisnis secara keseluruhan. Ini akan memungkinkan Anda untuk mengidentifikasi area yang saling mempengaruhi. Manajemen senior melihat bisnis melalui lensa, dan seseorang yang mendemonstrasikan keterampilan ini akan diperhatikan ketika tiba waktunya untuk membuat keputusan tentang promosi.

2. Sediakan Ide-Ide yang Dapat Ditindaklanjuti

Berikan ide - ide yang dapat ditindaklanjuti untuk memecahkan masalah bagi bisnis. Bahkan lebih baik jika Anda secara proaktif mengusulkan solusi sebelum dikatakan bahwa Anda berurusan dengan masalah prioritas pertama.

Misalnya, jika Anda berkata kepada seorang pemasar, "Saya perhatikan bahwa jumlah pengunjung situs web telah menurun setiap bulan."... Ini adalah tren yang mungkin mereka perhatikan di dasbor dan Anda tidak menemukan solusi yang berharga sebagai analis karena Anda hanya mengklaim observasi.

Sebaliknya, pelajari data untuk menemukan penyebabnya dan menyarankan solusi. Contoh pemasaran yang lebih baik adalah: “Saya perhatikan bahwa kami mengalami penurunan jumlah pengunjung ke situs web kami akhir-akhir ini. Saya menemukan bahwa penelusuran organik adalah sumber masalahnya, karena perubahan terbaru yang menyebabkan penurunan peringkat penelusuran Google kami . " Pendekatan ini menunjukkan bahwa Anda melacak KPI perusahaan, melihat perubahan, menyelidiki penyebabnya, dan menawarkan solusi untuk masalah tersebut.

3. Menjadi penasihat tepercaya

Anda harus menjadi orang pertama yang diminta oleh pemangku kepentingan Anda untuk mendapatkan panduan atau pertanyaan tentang bidang pekerjaan yang Anda dukung. Tidak ada jalan pintas karena butuh waktu untuk mendemonstrasikan kemampuan tersebut. Kuncinya adalah memberikan analisis berkualitas tinggi secara konsisten dengan kesalahan minimal. Setiap kesalahan perhitungan akan membuat Anda kehilangan poin kredibilitas, karena pada saat Anda mengirimkan analisis, orang mungkin akan mengajukan pertanyaan: Jika Anda salah terakhir kali, dapatkah Anda salah kali ini juga? ... Selalu periksa kembali pekerjaan Anda. Tidak ada ruginya meminta manajer atau kolega Anda untuk melihat nomor Anda sebelum mengirimkannya jika Anda ragu tentang analisis Anda.

4.

Sekali lagi, tidak ada jalan pintas untuk mempelajari komunikasi yang efektif. Ini membutuhkan latihan dan seiring waktu Anda akan menjadi lebih baik. Kuncinya adalah mengidentifikasi poin utama dari apa yang ingin Anda lakukan dan merekomendasikan tindakan apa pun yang, sebagai hasil analisis Anda, dapat diambil oleh pemangku kepentingan untuk meningkatkan bisnis. Semakin tinggi Anda di tangga perusahaan, semakin penting keterampilan komunikasi. Mengkomunikasikan hasil yang kompleks merupakan keterampilan penting yang perlu ditunjukkan. Saya telah menghabiskan waktu bertahun-tahun mempelajari rahasia sukses sebagai ilmuwan data dan analis data. Orang mendefinisikan kesuksesan dengan cara yang berbeda. Untuk dicirikan sebagai analis yang "luar biasa" dan "bintang" adalah kesuksesan di mata saya. Sekarang setelah Anda mengetahui rahasia ini, saya berharap jalan Anda akan membawa Anda menuju kesuksesan lebih cepat,bagaimanapun Anda mendefinisikannya.

Dan untuk membuat jalan Anda menuju sukses lebih cepat, pertahankan kode promo HABR , yang dengannya Anda bisa mendapatkan tambahan 10% dari diskon yang tertera di banner.

Lebih banyak kursus

Bagaimana Menjadi Ilmuwan Data dan Analis Data yang Berhasil

, , -

Keterampilan yang Saya Pelajari untuk Menjadi Analis Data yang Berhasil

Artikel yang direkomendasikan

More articles: